- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
cvpr全文翻译-Multi-target_Tracking_by_Continuous_Energy_Minimization-2011
Multi-target Tracking by Continuous Energy Minimization
Anton Andriyenko
TU Darmstadt
Computer Science Department
Konrad Schindler
ETH Z¨urich
Photogrammetry and Remote Sensing Group
Translator: FU Hong-pu, fuhpi@126.com; Du Shan also contributed some jobs
基于连续能量最小化的多目标跟踪
摘要
我们多目标跟踪为连续能量函数最小化。,我们构造一个合适的优化能量局部。该跳跃法共轭梯度。这些使搜索脱弱,探索变维搜索空间的更大,同时还始终减少能。证明这种方法的有效,我们在合成数据和六种不同视频序列上出了一个广泛的定量评。在这两种情况下,扩展卡尔曼滤波基ILP的当前水准跟踪我们的性能了显著改善。
简介
在计算机视觉方面,多目标跟踪是一个典艰巨的任务。多目标仍然是一个。这由于几个方面。一个困难是处理状态空间的复杂性:随着时间的推移可能的目标轨迹的数量会大(如果是连续的位置空间,实际上是无限的),离散目标有一个轨迹(但往往不明)。庞大的状态空间不问题在相同目标的不同之间和不同的目标之间,存在个物理约束导致的依存关系。例如,每个对象的线和角速度必须在物理上是合理的,任何两个物体之间的距离不能任意小。由于离散轨迹相互独立,一般NP-完全。,对象间导致外观上的变化和证据的缺。
为了解决对象之间的相互作用,最近提出了几种方法,旨在找到的解决方案,而不是单独的跟踪每个目标。通常通过限制状态空间为有限的候选实现通过阈值观察性或通过离散位置空间。离散化加上物理简化,(近)全最小值的能量函数。然此性吸引力,但代价是。
在这里,我们提出这个问题不准确的能全局最优构建一个忠实地代表实际问题能,它不再凸(或至少有一个凸松弛)。我们所有目标和所有帧,涵盖多目标下的许多重要方面。为了产生的能量,我们设计一个局部优化能够探索搜索空间许多潜在地区困盆地。我们的方法最先进的几个方法。(1);(2))。任意对象、外观模型甚至更多扩展如群体行为。虽然不能保证全局最优,我们的实验表明,跟踪问题确实有足够的结构合理的可避免弱局部极小并找到;(3)定制custom-tailored)最小化强大高效:它是变维,从而比标准梯度法搜索空间更大部分,集中于有希望的区,避免随机搜索行为。
本文的其余部分结构如下。在第2节讨论有关工作后,在第3节提出了我们的方法定义全函数在3.2节中各个组成部分后跟在3.3深入最小化。最后,第4节我们方法定量评价和实验结果。
图1通过EKF(左上)和ILPbased跟踪器(左下)获得初始值,及全连续优化(右)后得到的追踪结果。我们的方法生产平稳持久的轨迹和明显降低误报和目标丢失量。
2相关文献
在计算机视觉中,对象跟踪有一个悠久的历史和一个完整的超出了本文范围的。在本节中,我们专注于多目标视觉跟踪。我们的重点是基于最优化方法。
相较于单目标跟踪,多目标跟踪复杂得多:单目标在情况下可以通过检测每帧中的对象得到解决只在预测位置周围的局部连接点一致轨迹;因为数据关联问题以及不同目标之间的相互作用(例如,对象间)多目标问题更为复杂。困难是,在大多数情况下目标数量不知道先验实际上可能随时间变化。
递归方法,状态只依赖于前一个:起初的卡尔曼Kalman)滤波,例如[5],后来的粒子滤波[8,13,16],它而不是解析表达式,从而更好地多模态分布。
最近,出现了一些非递归方法,其目的是问题是一个较长时间区间里的(在某些情况下全局的)优。一种方法是预先限定可能目标位置 [7,10,11,20]这些通常基于外观的对象检测[6,17]或背景减[14] 来给出。。一个在 [2,3,4]里的方法,,但也引入了离散误差。
由此产生的优化问题要么是二次整数规划[7,11],在这种情况下,基于递归搜索或图的启发局部最优;或者是整数线性规划(ILP)[2,4,10],通过线性松弛全局最优。[20]是一个例外,它简化版问题,然后地增加的目标。
在目前的工作中,我们的问题是,对多目标跟踪来说,可数有限状态空间限制是否必。,无论是在视觉质量上还是跟踪准确和精的标准量化在连续的状态空间中,一个精心设计的局部优化方案可以找到更好的解。
3模型
我们方法的目的是为视频序列跟踪多目标找到最佳的解决方案。也就是说,在整视频的内,每一个目标需要被分配一个独的轨迹,与目标的尽可能的接近。为此,我们定义了一个函数,它时间窗口内的帧所有目标,从而对象的存在运动和互动。
跟踪在世界坐标系中进行,即图像证据投射到地平面。外,证据加权,以减少。
在正式定义能量函数之前,
您可能关注的文档
- 020论文.doc
- 02Windows习题与解答.doc
- 02第二节化二次型为标准形.doc
- 02强心药物及使用.doc
- (答题)2014年国家基本公共卫生服务有关知识县级初赛考试试卷.doc
- 03物料输送及烟气净化(技师).doc
- 03消耗量计算规则-自编版.doc
- 03-发动机电控系统主要部件的检修.doc
- 03279食品机械与设备.doc
- 041动力装置.doc
- 数据仓库:Redshift:Redshift与BI工具集成.docx
- 数据仓库:Redshift:数据仓库原理与设计.docx
- 数据仓库:Snowflake:数据仓库成本控制与Snowflake定价策略.docx
- 大数据基础:大数据概述:大数据处理框架MapReduce.docx
- 实时计算:GoogleDataflow服务架构解析.docx
- 分布式存储系统:HDFS与MapReduce集成教程.docx
- 实时计算:Azure Stream Analytics:数据流窗口与聚合操作.docx
- 实时计算:Kafka Streams:Kafka Streams架构与原理.docx
- 实时计算:Kafka Streams:Kafka Streams连接器开发与使用.docx
- 数据仓库:BigQuery:BigQuery数据分区与索引优化.docx
最近下载
- 纸电融合背景下高校图书馆中文图书纸电协调采购的现状与对策研究.docx VIP
- 2023广东中山市人大常委会办公室招聘雇员1人笔试备考试题及答案解析.docx VIP
- DDI 有效沟通学员手册.doc VIP
- 《疼痛评估工具》课件.ppt VIP
- 动物皮水解复合酶及其在动物皮提取胶原蛋白中的应用.pdf VIP
- 《中国传统文化》课件 2.2 道家思想及其人生模式.pptx
- 消防泵房分项工程技术交底.docx VIP
- 黄岭尾矿库安全风险辨识评估报告.doc VIP
- 专题08 整本书阅读(全国通用)(解析版)十年(2016-2025)高考语文真题分类汇编.docx
- 三星级高中评估标准及评价细则.docx VIP
文档评论(0)